Bericht - RESA Web - DLR

Gegenstand/
Zielstellung
Projekte im Rahmen der
RESA - Datennutzung
Steckbrief
Hochgenaue Klassifizierung und
Feststellung von Veränderungen im
Wattenmeer durch Fusion und integrierte
Auswertung multisensoraler
Fernerkundungsdaten (273)
Das Ziel des Projekts ist es, automatische Methoden zu entwickeln, die zum
einen eine hochgenaue und detaillierte Kartierung und Klassifikation des
Wattenmeeres ermöglichen, und die es zum anderen erlauben, zeitliche
Veränderungen festzustellen und zu analysieren.
Diese Methoden sollen insbesondere für die neuartigen hoch auflösenden
Fernerkundungssensoren entwickelt werden, wobei als Grundvoraussetzung
die Integration und Fusion von multisensoralen Fernerkundungsdaten und
abgeleiteten Daten angesetzt wird. Die Entwicklung neuartiger automatisierter
Verfahren wird dabei auf Methoden aufbauen, die am Institut für Geoinformatik
und Fernerkundung (IGF) der Universität Osnabrück entwickelt
worden sind. Insbesondere werden hierarchische, objektorientierte Algorithmen,
texturbasierte Auswerteverfahren sowie spektralwerterhaltende
Fusionstechniken eingesetzt. Dabei ist das Kernziel des Projekts die Entwicklung
von Methoden zur automatischen Erkennung von Veränderungen
in Wattgebieten der Nordsee.
Zielgrößen Fusion, Change Detection, Klassifikation
Datengrundlage
und Datenqualität
Bestellte Daten Erhaltene Daten
1 Szene zur Kalibrierung von Osnabrück
(L3a)
1 Szene erhalten
Komplette Abdeckung der Nordfrie- 7 x Komplette Abdeckung erhalten
sischen Inseln (L3a) zu 2 Zeitpunkten
pro Jahr während Niedrigwasser
zu unterschiedlichen Zeitpunkten
Komplette Abdeckung der Ostfriesi- 7 x Komplette Abdeckung erhalten
sche Inseln (L3a) zu 2 Zeitpunkten
pro Jahr während Niedrigwasser
zu unterschiedlichen Zeitpunkten
Komplette Abdeckung der Deutschen
Nordseeküste (L3a)
7 x Komplette Abdeckung erhalten
Das erste halbe Jahr konnten keine Daten, mit Ausnahme der Szene von
Osnabrück geliefert werden. In Absprache mit Rapideye wurde der Zeitraum
zur Aufnahme der Daten mit aufeinanderfolgenden Tagen erhöht. Bei der
ersten Angabe waren höchstens zwei aufeinanderfolgende Tage zur Aufnahme
festgelegt. Dieser Zeitraum wurde auf 5 Tage erhöht, dadurch wurde
die Wahrscheinlichkeit einer Aufnahme einer Szene größer. Nachteil: Es
werden auch Szenen aufgenommen, die kein Niedrigwasser (+- 3 Stunden)
zeigen. Diese Strategie wurde auch für die zweite Bestellung bis ins Jahr
2012 beibehalten, so dass jetzt insgesamt die Nordsee 7 x mit Rapideye
Szenen aufgenommen worden ist. Seit dem 01.05.2012 werden keine zusätzlichen
Tasking-orders über Deutschland mehr angenommen. Stattdessen
soll Deutschland alle 45 Tage komplett aufgenommen werden.

Beschreibung
und
Stand der
gesetzten
Arbeitsziele
und des
methodischenVorgehens
Fusion
Die Ergebnisse der Bildfusion und Bildintegration auf der ikonischen Ebene
wurden bereits im ersten Zwischenbericht erläutert. Es gibt noch keine neuen
Ergebnisse der Fusion auf der Merkmals- und Entscheidungsebene.
Change Detection
Als Untersuchungsgebiet wurden die Insel Norderney und das umgebende
Wattenmeer gewählt. Dieses Gebiet ist das des deutschen Wattenmeeres,
welches seit Juni 2009 UNESCO-Weltnaturerbe ist. Abbildung 1 zeigt die
Rapideyeszene dieses Gebietes. Das Gebiet wird insbesondere zwischen
dem Festland und der Insel von den Gezeiten beeinflusst. Im Norden der
Insel ist im Wesentlichen trockener Sand vorherrschend. Südlich der Insel
ist das Substrat auch sandig aber stärker vom Wasser beeinflusst. Im Zentrum
der Szene befindet sich eine Muschelbank im Watt.
Abbildung 1: Untersuchungsgebiet Norderney.
In einem ersten Schritt wurden unterschiedliche Algorithmen zur Veränderungsdetektion
an diesen Daten getestet. Die Standardalgorithmen zur Veränderungsdetektion,
wie Image Differencing, Image Ratio, Regression oder
Principal Component Analysis (PCA) zeigten keine zufriedenstellenden Ergebnisse.
Aber auch Postklassifikationsverfahren mit Support Vector Machine
(SVM), Neuronalen Netzen oder einfachen Verfahren wie Maximum Likelihood
oder ISODATA zeigten keine zufriedenstellenden Ergebnisse. Die vom
IGF entwickelten Verfahren (Segmentkorrelation, Adaptive Filterung im Frequenzraum
mit anschließender Anwendung von Kantenfiltern und Texturberechnung
mit anschließender PCA) funktionierten, aber stellten den unterschiedlichen
Wasserstand als Änderung dar. Dadurch sank die Genauigkeit
der Verfahren stark. Daher wurde für die Veränderungsdetektion ein eigener
postklassifikativer Ansatz entwickelt.
Klassifikation
Dieser Algorithmus ist hierarchisch, objektorientiert und fusioniert unterschiedlichste
Daten. In einem ersten Schritt wurde dazu die Küstenlinie ex-

trahiert und die Landfläche herausgefiltert. Dazu wurde die OpenStreetMap
(OSM)-Küstenlinie verwendet, die sich als die genaueste der untersuchten
Küstenbegrenzungen herausstellte. Im nächsten Schritt wurden die Wasserflächen
spektral über einen Grenzwert im nahen Infrarot identifiziert. Um
Fehlklassifikationen zu reduzieren, wurden nur große zusammenhängende
Flächen mit mindestens 30 Pixeln als Wasser klassifiziert. Zukünftig soll zusätzlich
ein hochgenaues Höhenmodell auf der Basis von LIDAR-Daten verwendet
werden, um Wasser- von Wattgebieten zu trennen. Zur Trennung
von Wattvegetation von Sedimentflächen wurde der modified soil adjusted
vegetation index (MSAVI) (Qi et al. 1994) ausgewählt. Dieser zeigte ein
besseres Resultat als der NDVI oder SAVI. Das Ergebnis des MSAVI wurde
mittels Histogrammstreckung auf 8bit normiert, indem auf die zweifache
Standardabweichung gestreckt wurde. Fünf unterschiedliche Grenzwerte
wurden gebildet, die unterschiedlich starke Vegetation und Nichtvegetation
symbolisieren. Der Vorteil der Normierung war, dass diese Werte auch auf
andere RapidEye-Szenen übertragen werden konnten. Durch diese Unterteilung
wird festgelegt, ob ein Pixel zur Klasse ‚Sediment‘ oder ‚Vegetation‘
gehört.
In Niedersachsen repräsentieren hohe MSAVI Werte in Küstennähe in der
Regel Salzwiesen. Daher wird ein 25-m Puffer von der Küstenlinie ausgehend
gebildet, indem alle Werte über 200 im normierten Histogramm als
Salzwiesen klassifiziert werden. Diese klassifizierten Pixel werden als
Seedpixel verwendet, um die restlichen Salzwiesenflächen ebenfalls zu klassifizieren.
Um auch die Bereiche als Salzwiesen zu klassifizieren, die nur
Pioniervegetation enthalten, wird zusätzlich noch ein Puffer, um die erhaltenen
klassifizierten Flächen gebildet. Außerdem wird noch die Größe der Objekte
betrachtet, um Fehlklassifikationen zu verringern. Durch einen 3x3
Pixel großen Texturfilter, der auf den Standardabweichungen basierte, wurden
Muschelbänke klassifiziert. Dieser Texturfilter zeigte stabilere Ergebnisse
als Texturfilter nach Haralick (Haralick & Shapiro 1992). Da aber die Kanten
von Prielen ebenfalls einen hohen Texturwert aufweisen, wurde zunächst
um die Wasserflächen ein Puffer von einem Pixel gebildet, um diese
als Fehlerquelle auszuschließen. Um hohe Texturwerte in Küstennähe auszuschließen,
wurde hier ebenfalls ein Puffer gebildet, da Muschelbänke im
niedersächsischen Wattenmeer nicht küstennah (< 400 m) auftreten. Da
Algen zumeist die Muschelbänke nutzen, um sich daran zu befestigen, wurde
ein hoher MSAVI Wert in der Umgebung als zusätzlicher Faktor berücksichtigt.
Sind nur niedrige MSAVI Werte in der Umgebung vermutlicher Muschelstandorte
zu finden, werden diese Flächen nicht als Muscheln klassifiziert.
Um die Muschelbänke in ihrer Gesamtheit zu erfassen, wurden noch
morphologische Operationen (Öffnen und Schließen) eingesetzt. Junge Muschelbänke
können aber allein durch optische Daten nicht festgestellt werden,
da diese kaum sichtbar in diesen Daten sind (Abb. 2). Daher wurden
Radardaten eingesetzt, um diese jungen Muschelbänke zu bestimmen. Auch
dafür wurden die Radardaten normalisiert und ein Schwellwert gebildet. Die
übrigen Vegetations- und Sedimentflächen wurden mit einer unüberwachten
Isodata-Klassifikation prozessiert. Dabei wurden sowohl für die Vegetation
als auch die Sedimentflächen fünf Klassen gewählt. Bei der Vegetation wird
diese Klasse zurzeit noch nicht näher spezifiziert. Bei den Sedimenten werden
die ersten beiden Klassen immer dem trockenen Sand zugewiesen, die
Klassen 3 und 4 dem Sandwatt und die fünfte Klasse dem Schlickwatt.

Abbildung 2: Eine junge Muschelbank in der TerraSAR-X Szene vom 18.
Oktober 2009 und eine RapidEye Szene vom 25. April 2010 in der Kanalkombination
nahes infrarot, rot und grün.
Ein Ergebnis der Klassifikation wird in Abb. 3 dargestellt. Unter Berücksichtigung
der verschiedenen Auflösungen konnten Priele und Wasserflächen in
den Szenen korrekt identifiziert werden (blau). Auch der trockene Sand
(Gelb) im Norden der Insel konnte in allen Szenen gut erkannt werden.
Salzwiesen treten in beiden Bildern nur landnah im Wattenmeer auf (dunkelgrün).
Die restliche Vegetation (hellgrün) verteilt sich über das gesamte
Watt und ist sehr mobil, wird in den unterschiedlichen Szenen daher auch
an jeweils anderen Orten klassifiziert. Zwischen Küste und Insel liegen zudem
einige Sedimentbänke. Im Wesentlichen werden diese vom Sand
(braun) dominiert, weisen aufgrund des Wasserstandes aber in den unterschiedlichen
Szenen starke Unterschiede auf. Die Muschelbänke (rot) haben
in allen Szenen ungefähr die gleiche Lage.
Abbildung 3: Klassifikation der RapidEye-Szene vom 25. April 2010.
Tabelle 1 zeigt das Ergebnis der postklassifikativen Veränderungsanalyse.
Von 2010 zu 2011 hat die Zahl der Muscheln zugenommen. Nur die Herbstszene
zeigt eine Reduzierung der Muscheln, der Grund dafür ist vermutlich
die kältere Jahreszeit und Sturmschäden. Auch die Salzwiesen zeigen eine
Zunahme. Die Sedimente hängen stark vom Wasseranteil ab und können
noch nicht genau getrennt werden. Speziell bei der Trennung von Mischwatt
und Schlickwatt gibt es noch Probleme. Da Algen sehr mobil sind und häufig

Beteiligte
Partner mit
Kontaktinfo
den Ort wechseln, sind auch die Ergebnisse bei der Klasse Vegetation sehr
unterschiedlich.
Aufnahmedatum 25/04/10 07/09/10 27/06/11 11/07/11 22/10/11
Muscheln 60316 60000 70335 78315 54954
Salzwiese 46735 46741 70079 71783 69902
Schlick 149805 280150 579855 532605 418780
Mischwatt 564870 492490 703891 700323 738933
Sand 599419 450509 316997 344563 339608
Vegetation (Algen) 33962 33367 14025 24410 1845
Trockener Sand 218652 151700 37257 46809 97666
Table 1: Anzahl der Pixel, die der jeweiligen Klasse zugeordnet wurden.
1. Alfred-Wegener-Institut für Polar- und Meeresforschung (AWI)
Justus van Beusekom, justus.van.beusekom@awi.de
2. Hanse-Wissenschaftskolleg (HWK)
Reto Weiler, reto.weiler@uni-oldenburg.de
3. Institut für Chemie und Biologie des Meeres (ICBM), Carl von Ossietzky
Universität Oldenburg
Emil Stanev, emil.stanev@hzg.de
4. Institut für Geoinformatik und Fernerkundung (IGF), Universität Osnabrück,
in Kooperation PH Heidelberg, Abteilung Geographie
Manfred Ehlers, mehlers@igf.uni-osnabrueck.de
5. Institut für Küstenforschung, GKSS-Forschungszentrum Geesthacht
Carlo van Bernem, bernem@hzg.de
6. Institut für Photogrammetrie und GeoInformation (IPI), Gottfried Wilhelm
Leibniz Universität Hannover
Christian Heipke, heipke@ipi.uni-hannover.de
7. Institut für Physik (IfP), Carl von Ossietzky Universität Oldenburg
Rainer Reuter, rainer.reuter@uni-oldenburg.de
8. Landesamt für Landwirtschaft, Umwelt und ländliche Räume des Landes
Schleswig-Holstein (LLUR)
Hans-Christian Reimers, hans-christian.reimers@llur.landsh.de
9. MARUM-Zentrum für Marine Umweltwissenschaften, Universität Bremen
Christian Winter, acwinter@uni-bremen.de
10. Nationalparkverwaltung Niedersächsisches Wattenmeer (NLPV),
in Kooperation mit DLR-Institut für Methodik der Fernerkundung (IMF)
Gerald Millat, gerald.millat@nlpv-wattenmeer.niedersachsen.de
11. Senckenberg am Meer, Senckenberg Gesellschaft für Naturforschung
(SGN)
Alexander Bartholomae, alexander.bartholomae@senckenberg.de
Re Referenzen Klonus, S. & Ehlers, M., 2012. Potential von RapidEye Bilddaten für das
Wattenmeer-monitoring, In: E. Borg, H. Daedelow & R. Johnson (Ed.):
In RapidEye Science Archive (RESA) - Vom Algorithmus zum Produkt,
GITO.
Klonus, S., Ehlers, M., Schmidt, A., Soergel, U., Adolph, W. & Farke, H.,
2012. Change Detection in Wadden Sea Areas using RapidEye data,
Proceedings of the 32nd Earsel Symposium 2012, Mykonos Island.
Schmidt, A., Rottensteiner, F., Soergel, U., Adolph, W., Klonus, Farke, H.S.
& Ehlers, M., 2012. Potential of Airborne Laser Scanning Data for

Classification of Wadden Sea Areas, Proceedings of the 32nd Earsel
Symposium 2012, Mykonos Island.
Klonus, S. & Ehlers, M., 2012. Using TerraSAR-X and RapidEye data for
change detection in Wadden Sea Areas, Proceedings of the 1st Workshop
on Temporal Analysis of Satellite Image Data, Mykonos Island.